Python—爬虫—简单爬取豆瓣电影
2015-11-13 10:51
477 查看
在sublime中代码如下:
#-*- coding:utf-8 -*-
import urllib
import urllib2
import re
page= 0
file=open('C:/python27/1.txt','w')
#模拟浏览器访问:
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
#页面最傻瓜式的设置,查看当前页面的页数,豆瓣喜剧电影目录以20的倍数间隔
while page <=1000:
url = "http://movie.douban.com/tag/%E5%96%9C%E5%89%A7?start="+str(page)+"&type=T"
request = urllib2.Request(url,headers = headers)
respose = urllib2.urlopen(request)
content = respose.read()
# print content
#正则表达式,这里仅用到“.*?”,代表任意字符
pattern = re.compile('<div.*?class="pl2".*?>.*?<a.*?href.*?class="">(.*?)<span.*?</span>.*?</a>.*?<p.*?</p>.*?<div.*?class="star.*?>.*?<span.*?</span>.*?<span.*?class="rating_nums">(.*?)</span>.*?<span.*?class="pl">(.*?)</span>',re.S)
items = re.findall(pattern,content)
for item in items:
#第一个item匹配出来字符后面跟着空字符和换行,对第一个item做了切面;pattern中有3个item,见匹配 规则中的(.*?)
item1=item[0][:-26].strip()+str(' >')+item[1].strip()+str(' >')+item[2].strip()+'\n'
#写入文件,因列表式内容写入多行,用writelines:
file.writelines(item1)
page +=20
这段简单代码适用于入门,完善方向:1、如何彻底骗过网站(模仿用户操作)2、如何判断终止页面 3、正则中存在某些页面匹配不全面,可进一步完善。
#-*- coding:utf-8 -*-
import urllib
import urllib2
import re
page= 0
file=open('C:/python27/1.txt','w')
#模拟浏览器访问:
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
headers = { 'User-Agent' : user_agent }
#页面最傻瓜式的设置,查看当前页面的页数,豆瓣喜剧电影目录以20的倍数间隔
while page <=1000:
url = "http://movie.douban.com/tag/%E5%96%9C%E5%89%A7?start="+str(page)+"&type=T"
request = urllib2.Request(url,headers = headers)
respose = urllib2.urlopen(request)
content = respose.read()
# print content
#正则表达式,这里仅用到“.*?”,代表任意字符
pattern = re.compile('<div.*?class="pl2".*?>.*?<a.*?href.*?class="">(.*?)<span.*?</span>.*?</a>.*?<p.*?</p>.*?<div.*?class="star.*?>.*?<span.*?</span>.*?<span.*?class="rating_nums">(.*?)</span>.*?<span.*?class="pl">(.*?)</span>',re.S)
items = re.findall(pattern,content)
for item in items:
#第一个item匹配出来字符后面跟着空字符和换行,对第一个item做了切面;pattern中有3个item,见匹配 规则中的(.*?)
item1=item[0][:-26].strip()+str(' >')+item[1].strip()+str(' >')+item[2].strip()+'\n'
#写入文件,因列表式内容写入多行,用writelines:
file.writelines(item1)
page +=20
这段简单代码适用于入门,完善方向:1、如何彻底骗过网站(模仿用户操作)2、如何判断终止页面 3、正则中存在某些页面匹配不全面,可进一步完善。
相关文章推荐
- Python动态类型的学习---引用的理解
- Python3写爬虫(四)多线程实现数据爬取
- 垃圾邮件过滤器 python简单实现
- 下载并遍历 names.txt 文件,输出长度最长的回文人名。
- install and upgrade scrapy
- Scrapy的架构介绍
- Centos6 编译安装Python
- 使用Python生成Excel格式的图片
- 让Python文件也可以当bat文件运行
- [Python]推算数独
- 爬虫笔记
- Python中zip()函数用法举例
- Python中map()函数浅析
- Python将excel导入到mysql中
- Python在CAM软件Genesis2000中的应用
- 使用Shiboken为C++和Qt库创建Python绑定
- Python day1